来自指数机制的私有数据对称损失的性能
密码学与安全
2022-10-11 v1 分布式、并行与集群计算
机器学习
摘要
本研究探讨了通过对称损失对私有数据进行学习的鲁棒性。具体而言，我们在私有标签上利用指数机制（EM）。首先，我们从理论上重新讨论了当EM用于带对称损失的私有学习时的性质。然后，我们提出了对应于不同数据规模和效用保证的隐私预算的数值指导。此外，我们在CIFAR-10数据集上进行了实验以展示对称损失的特性。由于EM是一种更通用的差分隐私（DP）技术，其具有鲁棒性意味着它有潜力被推广，并使其他DP技术更具鲁棒性。
引用
@article{arxiv.2210.04132,
title = {Performances of Symmetric Loss for Private Data from Exponential Mechanism},
author = {Jing Bi and Vorapong Suppakitpaisarn},
journal= {arXiv preprint arXiv:2210.04132},
year = {2022}
}
备注
14th International Workshop on Parallel and Distributed Algorithms and Applications (PDAA2022)